Importar Librerías¶

Instalar librerías necesarias para usar GeoPandas¶

In [1]:
#conda install geopandas
#conda install mapclassify
#conda install folium -U
#conda install pygeos
#conda install pyproj

Importar bibliotecas generales¶

In [2]:
import numpy as np
import pandas as pd
import glob, os

Importar librerías GeoPandas¶

In [3]:
%matplotlib inline
import geopandas as gpd
import matplotlib.pyplot as plt
from matplotlib.colors import ListedColormap
import folium
import mapclassify
import pygeos
import pyproj

C:\Users\copor\anaconda3_2\lib\site-packages\geopandas\_compat.py:111: UserWarning: The Shapely GEOS version (3.10.1-CAPI-1.16.0) is incompatible with the GEOS version PyGEOS was compiled with (3.10.3-CAPI-1.16.1). Conversions between both will be slow.
  warnings.warn(

Importación de Datos¶

Ubigeos¶

Se consultó el portal Datos Abiertos Url: https://www.datosabiertos.gob.pe/dataset/poblaci%C3%B3n-peru En este portal se indica que la fuente es: https://github.com/jmcastagnetto/ubigeo-peru-aumentado Se consultó la fuente en GitHub para poder importar los datos directamente, sin necesidad de descargarlos localmente.

Distrital¶

In [4]:
url = "https://raw.githubusercontent.com/jmcastagnetto/ubigeo-peru-aumentado/main/ubigeo_distrito.csv"
dist = pd.read_csv(url)
dist.head()
Out[4]:
inei reniec departamento provincia distrito region macroregion_inei macroregion_minsa iso_3166_2 fips capital superficie pob_densidad_2020 altitude latitude longitude indice_vulnerabilidad_alimentaria idh_2019 pct_pobreza_total pct_pobreza_extrema
0 10101.0 10101.0 AMAZONAS CHACHAPOYAS CHACHAPOYAS AMAZONAS ORIENTE MACROREGION ORIENTE PE-AMA 1 Chachapoyas 153.78 201.43711796072299 2338.0 -6.229444 -77.872778 0.279657 0.642361 9.034625 1.439875
1 10102.0 10102.0 AMAZONAS CHACHAPOYAS ASUNCION AMAZONAS ORIENTE MACROREGION ORIENTE PE-AMA 1 Asunción 25.71 13.9634383508363 2823.0 -6.032500 -77.710833 0.558549 0.423032 36.519949 15.680750
2 10103.0 10103.0 AMAZONAS CHACHAPOYAS BALSAS AMAZONAS ORIENTE MACROREGION ORIENTE PE-AMA 1 Balsas 357.09 4.0465988966367004 859.0 -6.835833 -78.019722 0.646749 0.315308 45.732962 15.427120
3 10104.0 10104.0 AMAZONAS CHACHAPOYAS CHETO AMAZONAS ORIENTE MACROREGION ORIENTE PE-AMA 1 Cheto 56.97 13.568544848165701 2143.0 -6.255556 -77.700833 0.530846 0.345746 39.169782 23.678410
4 10105.0 10105.0 AMAZONAS CHACHAPOYAS CHILIQUIN AMAZONAS ORIENTE MACROREGION ORIENTE PE-AMA 1 Chiliquín 143.43 6.8326012689116604 2677.0 -6.078333 -77.737500 0.706854 0.275038 53.045662 36.395370
In [5]:
dist.columns
Out[5]:
Index(['inei', 'reniec', 'departamento', 'provincia', 'distrito', 'region',
       'macroregion_inei', 'macroregion_minsa', 'iso_3166_2', 'fips',
       'capital', 'superficie', 'pob_densidad_2020', 'altitude', 'latitude',
       'longitude', 'indice_vulnerabilidad_alimentaria', 'idh_2019',
       'pct_pobreza_total', 'pct_pobreza_extrema'],
      dtype='object')
In [6]:
dist_ = dist[['inei', 'altitude']]
dist_.head()
Out[6]:
inei altitude
0 10101.0 2338.0
1 10102.0 2823.0
2 10103.0 859.0
3 10104.0 2143.0
4 10105.0 2677.0
In [7]:
dist_.dtypes
Out[7]:
inei        float64
altitude    float64
dtype: object

Departamental¶

In [8]:
url_dpto = "https://raw.githubusercontent.com/jmcastagnetto/ubigeo-peru-aumentado/main/ubigeo_departamento.csv"
dpto = pd.read_csv(url_dpto)
dpto.head()
Out[8]:
inei reniec departamento iso_3166_2 fips capital superficie pob_densidad_2020 altitude latitude longitude indice_densidad_estado indice_vulnerabilidad_alimentaria idh_2019 pct_pobreza_total pct_pobreza_extrema
0 10000 10000 AMAZONAS PE-AMA 1 Chachapoyas 39249.13 12.051044 2338.0 -6.229444 -77.872778 0.662895 0.868360 0.417736 32.95 7.30
1 20000 20000 ANCASH PE-ANC 2 Huaraz 35881.30 34.732549 3073.0 -9.529722 -77.529167 0.735137 0.501994 0.515934 32.95 3.05
2 30000 30000 APURIMAC PE-APU 3 Abancay 20895.77 22.029148 2500.0 -13.628889 -72.886111 0.743276 0.568467 0.410926 32.95 7.30
3 40000 40000 AREQUIPA PE-ARE 4 Arequipa 63343.95 24.568187 2429.0 -16.393333 -71.528889 0.801220 0.237851 0.642545 17.30 3.05
4 50000 50000 AYACUCHO PE-AYA 5 Ayacucho 43803.26 15.753462 2797.0 -13.160278 -74.225278 0.731842 0.524958 0.432741 43.65 12.95
In [9]:
dpto.columns
Out[9]:
Index(['inei', 'reniec', 'departamento', 'iso_3166_2', 'fips', 'capital',
       'superficie', 'pob_densidad_2020', 'altitude', 'latitude', 'longitude',
       'indice_densidad_estado', 'indice_vulnerabilidad_alimentaria',
       'idh_2019', 'pct_pobreza_total', 'pct_pobreza_extrema'],
      dtype='object')
In [10]:
dpto_ = dpto[['departamento','superficie','pob_densidad_2020', 'indice_densidad_estado', 'indice_vulnerabilidad_alimentaria','idh_2019', 'pct_pobreza_total', 'pct_pobreza_extrema']]
dpto_.head()
Out[10]:
departamento superficie pob_densidad_2020 indice_densidad_estado indice_vulnerabilidad_alimentaria idh_2019 pct_pobreza_total pct_pobreza_extrema
0 AMAZONAS 39249.13 12.051044 0.662895 0.868360 0.417736 32.95 7.30
1 ANCASH 35881.30 34.732549 0.735137 0.501994 0.515934 32.95 3.05
2 APURIMAC 20895.77 22.029148 0.743276 0.568467 0.410926 32.95 7.30
3 AREQUIPA 63343.95 24.568187 0.801220 0.237851 0.642545 17.30 3.05
4 AYACUCHO 43803.26 15.753462 0.731842 0.524958 0.432741 43.65 12.95

Data GeoPandas¶

Distrital¶

In [11]:
url_geojson_distrital = "https://raw.githubusercontent.com/juaneladio/peru-geojson/master/peru_distrital_simple.geojson"
In [12]:
dist_gdf = gpd.read_file(url_geojson_distrital)
dist_gdf.iloc[:,:-1].head()
Out[12]:
OBJECTID IDDIST IDDPTO IDPROV NOMBDIST NOMBPROV NOMBDEP DCTO LEY FECHA NOM_CAP SHAPE_LENG SHAPE_AREA SHAPE_LE_1 SHAPE_AR_1 AREA_MINAM
0 1 230110 23 2301 CORONEL GREGORIO ALBARRACIN LANCHIPA TACNA TACNA LEY 27415 02/02/2001 ALFONSO UGARTE 0.570510 0.016140 0.570195 0.015990 18834.14
1 2 230108 23 2301 POCOLLAY TACNA TACNA LEY 13069 15/01/1959 POCOLLAY 0.883871 0.022816 0.897169 0.022961 27073.52
2 3 230103 23 2301 CALANA TACNA TACNA LEY S/N 20/08/1872 CALANA 0.446736 0.009458 0.445963 0.009383 11063.99
3 4 230101 23 2301 TACNA TACNA TACNA - - EPOCA INDEP. TACNA 2.758951 0.209156 2.758123 0.209177 246365.27
4 5 230109 23 2301 SAMA TACNA TACNA - - EPOCA INDEP. LAS YARAS 1.515506 0.096789 1.513660 0.096766 113953.51
In [13]:
dist_gdf.dtypes
Out[13]:
OBJECTID         int64
IDDIST          object
IDDPTO          object
IDPROV          object
NOMBDIST        object
NOMBPROV        object
NOMBDEP         object
DCTO            object
LEY             object
FECHA           object
NOM_CAP         object
SHAPE_LENG     float64
SHAPE_AREA     float64
SHAPE_LE_1     float64
SHAPE_AR_1     float64
AREA_MINAM     float64
geometry      geometry
dtype: object

Se comvierte IDDIST de geojson para poder hacer el cruce con ubigeo de la data de distritos

In [14]:
dist_gdf['IDDIST'] = dist_gdf['IDDIST'].astype('float')

Se agrega el dato de altitud al GeoDataFrame (gdf) de distritos

In [15]:
dist_gdf = dist_gdf.merge(dist_, how='left', right_on='inei', left_on='IDDIST')
dist_gdf.drop(['inei'],axis=1,inplace=True)
dist_gdf.head()
Out[15]:
OBJECTID IDDIST IDDPTO IDPROV NOMBDIST NOMBPROV NOMBDEP DCTO LEY FECHA NOM_CAP SHAPE_LENG SHAPE_AREA SHAPE_LE_1 SHAPE_AR_1 AREA_MINAM geometry altitude
0 1 230110.0 23 2301 CORONEL GREGORIO ALBARRACIN LANCHIPA TACNA TACNA LEY 27415 02/02/2001 ALFONSO UGARTE 0.570510 0.016140 0.570195 0.015990 18834.14 POLYGON ((-70.14409 -18.09309, -70.17512 -18.1... 562.0
1 2 230108.0 23 2301 POCOLLAY TACNA TACNA LEY 13069 15/01/1959 POCOLLAY 0.883871 0.022816 0.897169 0.022961 27073.52 POLYGON ((-69.90467 -17.95829, -69.98287 -18.0... 690.0
2 3 230103.0 23 2301 CALANA TACNA TACNA LEY S/N 20/08/1872 CALANA 0.446736 0.009458 0.445963 0.009383 11063.99 POLYGON ((-70.09201 -17.98026, -70.17243 -18.0... 881.0
3 4 230101.0 23 2301 TACNA TACNA TACNA - - EPOCA INDEP. TACNA 2.758951 0.209156 2.758123 0.209177 246365.27 POLYGON ((-70.23500 -17.99231, -70.23710 -18.0... 583.0
4 5 230109.0 23 2301 SAMA TACNA TACNA - - EPOCA INDEP. LAS YARAS 1.515506 0.096789 1.513660 0.096766 113953.51 POLYGON ((-70.42374 -17.88983, -70.51323 -17.9... 397.0

Para evitar errores al graficar se retiran aquellos registros que no tienen un dato de Geometría

In [16]:
print('Existen {} registros sin dato de geoemetría'.format(dist_gdf['geometry'].isnull().sum()))

Existen 8 registros sin dato de geoemetría

Sin embargo, se detecta que existen otros campos vacíos para otras varibles

In [17]:
pd.DataFrame([(c,dist_gdf[c].isnull().sum())  for c in dist_gdf.columns if dist_gdf[c].isnull().sum() > 0], columns=(['Variable','Nulos']))
Out[17]:
Variable Nulos
0 DCTO 1
1 LEY 1
2 geometry 8
3 altitude 2

Se valida que no hay coincidencia entre los vacíos de geometry y el resto de variables

In [18]:
dist_gdf[dist_gdf['geometry'].isnull()]
Out[18]:
OBJECTID IDDIST IDDPTO IDPROV NOMBDIST NOMBPROV NOMBDEP DCTO LEY FECHA NOM_CAP SHAPE_LENG SHAPE_AREA SHAPE_LE_1 SHAPE_AR_1 AREA_MINAM geometry altitude
175 176 210103.0 21 2101 AMANTANI PUNO PUNO LEY 15489 09/04/1965 AMANTANI 0.233210 0.001167 0.233210 0.001167 1394.26 None 3871.0
389 1687 10204.0 01 0102 EL PARCO BAGUA AMAZONAS LEY 9364 01/09/1941 EL PARCO 0.121477 0.001162 0.175503 0.001483 1821.76 None 626.0
819 786 70105.0 07 0701 LA PUNTA CALLAO CALLAO LEY 2141 06/10/1915 LA PUNTA 0.055846 0.000064 0.055847 0.000064 77.27 None 29.0
843 810 150137.0 15 1501 SANTA ANITA LIMA LIMA LEY 25116 25/10/1989 SANTA ANITA - LOS FICUS 0.144693 0.000893 0.142986 0.000886 1067.91 None 285.0
963 930 190203.0 19 1902 GOYLLARISQUIZGA DANIEL ALCIDES CARRION PASCO LEY 10030 27/11/1944 GOYLLARISQUIZGA 0.180999 0.001544 0.189470 0.001595 1930.72 None 4202.0
1207 1174 20602.0 02 0206 ACOPAMPA CARHUAZ ANCASH LEY 9456 05/12/1941 ACOPAMPA 0.153805 0.001229 0.149493 0.001199 1458.97 None 2692.0
1641 1608 10523.0 01 0105 TRITA LUYA AMAZONAS LEY 13383 12/02/1960 TRITA 0.149939 0.001041 0.150020 0.001056 1295.10 None 2888.0
1753 1754 200602.0 20 2006 BELLAVISTA SULLANA PIURA LEY 12140 09/11/1954 BELLAVISTA 0.053010 0.000163 0.053002 0.000163 201.30 None 77.0

Los vacíos de DCTO y LEY coinciden, se podrían omitir los datos pero se simula un escenario donde es necesario mantener estos registros (los que tienen vacíos en DCTO y LEY)

In [19]:
dist_gdf[dist_gdf['DCTO'].isnull()]
Out[19]:
OBJECTID IDDIST IDDPTO IDPROV NOMBDIST NOMBPROV NOMBDEP DCTO LEY FECHA NOM_CAP SHAPE_LENG SHAPE_AREA SHAPE_LE_1 SHAPE_AR_1 AREA_MINAM geometry altitude
1555 1522 140305.0 14 1403 MOCHUMI LAMBAYEQUE LAMBAYEQUE None None EPOCA INDEP. MOCHUMI 0.464824 0.008425 0.46436 0.008395 10333.44 POLYGON ((-79.82980 -6.57110, -79.84154 -6.595... 40.0

Se valida que no se trató de un error en el cruce, ambos ubigeos existen en ambas tablas. Sin embargo, el campo altitud esta vacío en la tabla de ubigeos

In [20]:
dist_gdf[dist_gdf['altitude'].isnull()]
Out[20]:
OBJECTID IDDIST IDDPTO IDPROV NOMBDIST NOMBPROV NOMBDEP DCTO LEY FECHA NOM_CAP SHAPE_LENG SHAPE_AREA SHAPE_LE_1 SHAPE_AR_1 AREA_MINAM geometry altitude
1831 1832 160109.0 16 1601 PUTUMAYO MAYNAS LORETO LEY 9815 02/07/1943 SAN ANTONIO DEL ESTRECHO 16.256407 2.884865 16.232424 2.884722 3555516.31 POLYGON ((-73.53075 -1.45793, -73.47857 -1.522... NaN
1833 1834 160114.0 16 1601 TENIENTE MANUEL CLAVERO MAYNAS LORETO LEY 28362 19/10/2004 S0PLIN VARGAS 7.442130 0.742758 7.429279 0.741488 911972.65 POLYGON ((-73.53075 -1.45793, -73.58899 -1.460... NaN

Se decide imputar la data utilizando el promedio de las alturas del resto de distritos en MAYNAS

In [21]:
dist[dist['inei'].isin([160109.0,160114])]
Out[21]:
inei reniec departamento provincia distrito region macroregion_inei macroregion_minsa iso_3166_2 fips capital superficie pob_densidad_2020 altitude latitude longitude indice_vulnerabilidad_alimentaria idh_2019 pct_pobreza_total pct_pobreza_extrema
1472 160109.0 150107.0 LORETO MAYNAS PUTUMAYO LORETO ORIENTE MACROREGION ORIENTE PE-LOR 16 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
1476 160114.0 150114.0 LORETO MAYNAS TENIENTE MANUEL CLAVERO LORETO ORIENTE MACROREGION ORIENTE PE-LOR 16 NaN NaN NaN NaN NaN NaN NaN NaN NaN NaN
In [22]:
mean_alt_maynas = dist_gdf[dist_gdf['NOMBPROV'] == 'MAYNAS']['altitude'].mean()
print('La altitud promedio de los distritos en Maynas es {:.2f}'.format(mean_alt_maynas))

La altitud promedio de los distritos en Maynas es 123.00

Se genera un DataFrame en el cual se toma la media solo para los registros que no cuentan con información. para el resto de casos se toma el valor de altitud real

In [23]:
input_data = pd.DataFrame([(dist_gdf['NOMBDIST'].iloc[i], mean_alt_maynas, 'mean') if i in [1831,1833] else (dist_gdf['NOMBDIST'].iloc[i], dist_gdf['altitude'].iloc[i],'real') for i in range(dist_gdf.shape[0])],
                    columns=['distrito','altitude','tipo_dato'])
input_data[input_data['tipo_dato']=='mean']
Out[23]:
distrito altitude tipo_dato
1831 PUTUMAYO 123.0 mean
1833 TENIENTE MANUEL CLAVERO 123.0 mean
In [24]:
dist_gdf['altitude'] = input_data['altitude']
In [25]:
dist_gdf[dist_gdf.index.isin([1831,1833])]
Out[25]:
OBJECTID IDDIST IDDPTO IDPROV NOMBDIST NOMBPROV NOMBDEP DCTO LEY FECHA NOM_CAP SHAPE_LENG SHAPE_AREA SHAPE_LE_1 SHAPE_AR_1 AREA_MINAM geometry altitude
1831 1832 160109.0 16 1601 PUTUMAYO MAYNAS LORETO LEY 9815 02/07/1943 SAN ANTONIO DEL ESTRECHO 16.256407 2.884865 16.232424 2.884722 3555516.31 POLYGON ((-73.53075 -1.45793, -73.47857 -1.522... 123.0
1833 1834 160114.0 16 1601 TENIENTE MANUEL CLAVERO MAYNAS LORETO LEY 28362 19/10/2004 S0PLIN VARGAS 7.442130 0.742758 7.429279 0.741488 911972.65 POLYGON ((-73.53075 -1.45793, -73.58899 -1.460... 123.0

Finalmente, se eliminan solo aquellos registros con datos vacíos en el campo geometry. Para ello, se utilizan los indices.

In [26]:
r_todrop= dist_gdf[dist_gdf['geometry'].isnull()].index
r_todrop
Out[26]:
Int64Index([175, 389, 819, 843, 963, 1207, 1641, 1753], dtype='int64')
In [27]:
dist_gdf.drop(r_todrop,axis=0,inplace=True)
In [28]:
dist_gdf = dist_gdf.reset_index()

Luego de estos pasos, sólo se encuentran nulos en los campos DCTO y LEY

In [29]:
pd.DataFrame([(c,dist_gdf[c].isnull().sum())  for c in dist_gdf.columns if dist_gdf[c].isnull().sum() > 0], columns=(['Variable','Nulos']))
Out[29]:
Variable Nulos
0 DCTO 1
1 LEY 1

Departamental¶

In [30]:
url_geojson_dptos = "https://raw.githubusercontent.com/juaneladio/peru-geojson/master/peru_departamental_simple.geojson"
In [31]:
dpto_gdf = gpd.read_file(url_geojson_dptos)
dpto_gdf.iloc[:,:-1].head() #Sin mostrar el campo geometry
Out[31]:
NOMBDEP COUNT FIRST_IDDP HECTARES
0 AMAZONAS 84 01 3930646.567
1 ANCASH 166 02 3596224.600
2 APURIMAC 80 03 2111415.170
3 AREQUIPA 109 04 6325588.935
4 AYACUCHO 111 05 4350381.783
In [32]:
dpto_.head()
Out[32]:
departamento superficie pob_densidad_2020 indice_densidad_estado indice_vulnerabilidad_alimentaria idh_2019 pct_pobreza_total pct_pobreza_extrema
0 AMAZONAS 39249.13 12.051044 0.662895 0.868360 0.417736 32.95 7.30
1 ANCASH 35881.30 34.732549 0.735137 0.501994 0.515934 32.95 3.05
2 APURIMAC 20895.77 22.029148 0.743276 0.568467 0.410926 32.95 7.30
3 AREQUIPA 63343.95 24.568187 0.801220 0.237851 0.642545 17.30 3.05
4 AYACUCHO 43803.26 15.753462 0.731842 0.524958 0.432741 43.65 12.95
In [33]:
dpto_gdf = dpto_gdf.merge(dpto_, how='left', left_on='NOMBDEP', right_on='departamento')
dpto_gdf.drop(['departamento'],axis=1, inplace=True)
pd.DataFrame([(c,dpto_gdf[c].isnull().sum())  for c in dpto_gdf.columns if dpto_gdf[c].isnull().sum() > 0], columns=(['Variable','Nulos']))
Out[33]:
Variable Nulos
In [34]:
dpto_gdf.head()
Out[34]:
NOMBDEP COUNT FIRST_IDDP HECTARES geometry superficie pob_densidad_2020 indice_densidad_estado indice_vulnerabilidad_alimentaria idh_2019 pct_pobreza_total pct_pobreza_extrema
0 AMAZONAS 84 01 3930646.567 POLYGON ((-77.75893 -6.96451, -77.84586 -6.976... 39249.13 12.051044 0.662895 0.868360 0.417736 32.95 7.30
1 ANCASH 166 02 3596224.600 POLYGON ((-77.31749 -8.53015, -77.28903 -8.589... 35881.30 34.732549 0.735137 0.501994 0.515934 32.95 3.05
2 APURIMAC 80 03 2111415.170 POLYGON ((-72.47177 -14.66140, -72.57725 -14.6... 20895.77 22.029148 0.743276 0.568467 0.410926 32.95 7.30
3 AREQUIPA 109 04 6325588.935 POLYGON ((-75.07333 -15.44294, -75.04965 -15.4... 63343.95 24.568187 0.801220 0.237851 0.642545 17.30 3.05
4 AYACUCHO 111 05 4350381.783 POLYGON ((-74.34595 -12.17374, -74.32187 -12.2... 43803.26 15.753462 0.731842 0.524958 0.432741 43.65 12.95

Graficar Mapas¶

GeoPandas, Documentación disponible en:https://geopandas.org/en/stable/index.html

Mapa Estático¶

Se genera un mapa coropletico de 3 capas donde se mostrará:

  • 1ra Capa: Altitudes por Ubigeo (Distrito)
  • 2da Capa: Centrodides con tamaño en relación al % de Probreza Extrema
  • 3ra Capa: Contrornos de Departamentos del Perú
In [35]:
buffer = 'pct_pobreza_extrema'
dpto_gdf[['NOMBDEP',buffer]]
Out[35]:
NOMBDEP pct_pobreza_extrema
0 AMAZONAS 7.30
1 ANCASH 3.05
2 APURIMAC 7.30
3 AREQUIPA 3.05
4 AYACUCHO 12.95
5 CAJAMARCA 12.95
6 CALLAO 3.05
7 CUSCO 7.30
8 HUANCAVELICA 12.95
9 HUANUCO 12.95
10 ICA 0.55
11 JUNIN 7.30
12 LA LIBERTAD 7.30
13 LAMBAYEQUE 0.55
14 LIMA 3.05
15 LORETO 7.30
16 MADRE DE DIOS 3.05
17 MOQUEGUA 3.05
18 PASCO 12.95
19 PIURA 3.05
20 PUNO 7.30
21 SAN MARTIN 3.05
22 TACNA 3.05
23 TUMBES 3.05
24 UCAYALI 3.05

2da Capa Para tal efecto, es necesario generar dos variables nuevas:

  • La primera tendrá el dato geométrico de los centroides por departamento.
  • La segunda será en centroide re-escalado en función a la variable "pct_pobreza_extrema" (% de pobreza extrema)
In [36]:
dpto_gdf['centroid'] = dpto_gdf.centroid# Obtener Centroides
dpto_gdf['centroid_buff'] = dpto_gdf.centroid.buffer(dpto_gdf[buffer]*.05) #Re-Escalar Centroides

C:\Users\copor\AppData\Local\Temp\ipykernel_4456\888713228.py:1: UserWarning: Geometry is in a geographic CRS. Results from 'centroid' are likely incorrect. Use 'GeoSeries.to_crs()' to re-project geometries to a projected CRS before this operation.

  dpto_gdf['centroid'] = dpto_gdf.centroid# Obtener Centroides
C:\Users\copor\AppData\Local\Temp\ipykernel_4456\888713228.py:2: UserWarning: Geometry is in a geographic CRS. Results from 'centroid' are likely incorrect. Use 'GeoSeries.to_crs()' to re-project geometries to a projected CRS before this operation.

  dpto_gdf['centroid_buff'] = dpto_gdf.centroid.buffer(dpto_gdf[buffer]*.05) #Re-Escalar Centroides
C:\Users\copor\AppData\Local\Temp\ipykernel_4456\888713228.py:2: UserWarning: Geometry is in a geographic CRS. Results from 'buffer' are likely incorrect. Use 'GeoSeries.to_crs()' to re-project geometries to a projected CRS before this operation.

  dpto_gdf['centroid_buff'] = dpto_gdf.centroid.buffer(dpto_gdf[buffer]*.05) #Re-Escalar Centroides

3ra Capa: Se generá una variable con el dato del contorno por departamento

In [37]:
dpto_gdf['boundary'] = dpto_gdf.boundary # Contornos

Ploteo (Graficar)

In [38]:
#1ra Capa Altitudes
ax = dist_gdf.plot('altitude', figsize=(15,15),legend=True, cmap='OrRd', alpha=.75, legend_kwds={'label': "Altitud (mts)"})

#2da Capa Centrodides en Escala al % de Pobreza Extrema
dpto_gdf = dpto_gdf.set_geometry('centroid_buff')
dpto_gdf.plot(ax=ax,color='gray', alpha=.75)

#3ra Capa Contorno de los Departamentos
dpto_gdf = dpto_gdf.set_geometry('boundary')
dpto_gdf['boundary'].plot(ax=ax,color='black',linewidth=.5)

ax.set_title('% Pobreza Extrema por Departamento 2020', fontdict={'fontsize':20})
plt.show()

Mapa Interactivo¶

En caso no pueda visualizar los mapas interactivos consultar url Colab: https://colab.research.google.com/drive/12Ymj0uhDyPQmi1Qm5mwZvZcoFMMApD1b#scrollTo=IXsE0jBh38IP

Se genera un mapa interactivo de 3 capas donde se mostrará:

  • 1ra Capa: Altitudes por Ubigeo (Distrito)
  • 2da Capa: Contrornos de Departamentos del Perú
  • 3ra Capa: Centrodides con tamaño en relación al % de Probreza Extrema

Se genera un nuevo GeoDataFrame con información del centroide por departamento y variable objetivo (pct_pobreza_extrema)

In [39]:
cntrds_gdf = dpto_gdf[['pct_pobreza_extrema','centroid_buff']] #Nuevo GeoDataFrame
cntrds_gdf['pct_pobreza_extrema'] = ['{:.2f}%'.format(v) for v in cntrds_gdf['pct_pobreza_extrema']] #Dar Formato a la Variable Objetivo
cntrds_gdf.rename(columns={'pct_pobreza_extrema':'% Pobreza Extrema'},inplace=True) #Renombrar la variable para que al mostrarla en la visualización sea de fácil entendimiento
cntrds_gdf = cntrds_gdf.set_geometry('centroid_buff')#Establecer como dato geométrico el centroido escalado

C:\Users\copor\AppData\Local\Temp\ipykernel_4456\2337310473.py:2: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame.
Try using .loc[row_indexer,col_indexer] = value instead

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  cntrds_gdf['pct_pobreza_extrema'] = ['{:.2f}%'.format(v) for v in cntrds_gdf['pct_pobreza_extrema']] #Dar Formato a la Variable Objetivo
C:\Users\copor\AppData\Local\Temp\ipykernel_4456\2337310473.py:3: SettingWithCopyWarning: 
A value is trying to be set on a copy of a slice from a DataFrame

See the caveats in the documentation: https://pandas.pydata.org/pandas-docs/stable/user_guide/indexing.html#returning-a-view-versus-a-copy
  cntrds_gdf.rename(columns={'pct_pobreza_extrema':'% Pobreza Extrema'},inplace=True) #Renombrar la variable para que al mostrarla en la visualización sea de fácil entendimiento
In [40]:
cntrds_gdf.head()
Out[40]:
% Pobreza Extrema centroid_buff
0 7.30% POLYGON ((-77.68898 -5.06930, -77.69074 -5.105...
1 3.05% POLYGON ((-77.51762 -9.40611, -77.51836 -9.421...
2 7.30% POLYGON ((-72.60921 -14.03005, -72.61097 -14.0...
3 3.05% POLYGON ((-72.32282 -15.84261, -72.32356 -15.8...
4 12.95% POLYGON ((-73.43822 -14.08550, -73.44134 -14.1...

Prueba del mapa interactivo para el dato Centroide. Como se observa al colocar el cursor sobre el punto este muestra el % de probreza extrema

In [41]:
m = cntrds_gdf.explore(    
     color="gray", # use red color on all points     
     tooltip='% Pobreza Extrema', # show "name" column in the tooltip    
     name="departamentos" # name of the layer in the map
)
m
Out[41]:
Make this Notebook Trusted to load map: File -> Trust Notebook

Graficar las 3 Capas

In [49]:
#1ra Capa Altitudes
alts = dist_gdf.explore(
    column='altitude',  # Hacer un mapa coropletico de la varaible altitud
    scheme="naturalbreaks",  # Usar el esquema natural breaks de mapclassify's
    popup=False,
    tooltip=False,
    legend=True, # Mostrar una Legenda
    k=10, # Realizar una partición de la variable altitude en 10 rangos (bins)
    legend_kwds=dict(colorbar=False),  # No usar una barra de colores
    cmap='OrRd', #Establecer el mapa de colores
    name="distritos" # Nombre de la capa en el mapa
)
#2da Capa Contorno del departamento
dpto_gdf.explore(
     m=alts, # Pasar el objeto mapa alts (mapa de altitudes)
     color="gray", # Estblecer el color de la capa departamentos
     popup=True, # Pop de todos los datos del DataFrame al hacer click sobre el área del departamento
     tooltip="NOMBDEP", # Mostrar la variable NOMBDEP en el tooltip al arrastrar el mouse sobre el área del departamento
     tooltip_kwds=dict(labels=False), # No mostrar el nombre de la variable en el tooltip, en vez de NOMBDEP: Lima se mostrará sólo Lima
     style_kwds=dict(color="white", fill=True), # Color del contorno del departamento
     name="departamentos" # Nombre de la capa en el mapa
)
#3ra Capa Centroides del Dpto en escala segun el % de pobreza Extrema
cntrds_gdf.explore(
    m=alts, # Pasar el objeto mapa alts (mapa de altitudes) 
    color="black", # Color de los Centroides 
    tooltip="% Pobreza Extrema", # show "name" column in the tooltip
    name="Pobreza Extrema" # Nombre de la capa en el mapa
)

alts
Out[49]:
Make this Notebook Trusted to load map: File -> Trust Notebook
In [ ]: